Схема распределения ресурсов на основе обучения с подкреплением для автомобильной связи в сетях 5G для умных городов

Почему умному трафику нужна умная мощность

По мере того как в городах появляется всё больше подключённых автомобилей, телефонов и уличных датчиков, весь этот беспроводной трафик незаметно расходует много электроэнергии. Сети, которые позволяют транспортным средствам обмениваться данными между собой и с дорожной инфраструктурой, должны быть быстрыми и надёжными, но при этом экономными по энергии, если мы хотим более чистый и экологичный транспорт. В этом исследовании рассматривается, как простое программное обеспечение для обучения может помочь автомобилям автоматически выбирать оптимальную мощность радиосигнала, сокращая потери энергии и одновременно обеспечивая передачу критически важных сообщений безопасности.

Автомобили, которые учатся «говорить» тише или громче

Работа сфокусирована на связях Vehicle to Everything, где автомобили обмениваются информацией с другими автомобилями, пешеходами, дорожными блоками и более широкой сетью по 5G. На оживлённых улицах сигналы отражаются от зданий, транспорт быстро перемещается, и качество беспроводной связи меняется от момента к моменту. Традиционно уровни мощности задаются фиксированными правилами или централизованными планировщиками, которые испытывают трудности с учётом постоянного движения. В предлагаемом подходе каждое транспортное средство запускает небольшой агент обучения, который наблюдает окружение, выбирает уровень мощности своего радиосигнала и затем учится на полученных результатах.

Как обучение управляет энергопотреблением

Авторы опираются на метод, называемый Q-обучением, выбранный потому, что он достаточно легковесен для исполнения на электронике внутри автомобиля. Агент отслеживает простые измерения, такие как соотношение сигнала к помехам, расстояние до приёмника и плотность трафика на дороге. В каждой ситуации он пробует разные уровни мощности и получает числовую награду, которая балансирует две цели: передавать данные быстро и ясно, но при этом использовать как можно меньше энергии. В ходе многочисленных испытаний агент заполняет небольшую таблицу, связывая каждую ситуацию с оптимальным выбором мощности, постепенно сходясь к политике, которая хорошо работает без необходимости в мощном процессоре или подробной модели сети.

Работа в реальных городских условиях с помехами

Для проверки идеи исследователи моделируют оживлённое городское перекрёсток с автомобилями, пешеходами, дорожными узлами и базовыми станциями 5G. Модель включает реальные эффекты, такие как затухание сигнала с расстоянием, отражения от зданий и доплеровские сдвиги, вызванные движущимися автомобилями. Агент обучения вначале действует почти случайно, поэтому его энергоэффективность и качество передачи данных сильно колеблются от одной обучающей сессии к другой. Со временем, однако, его поведение стабилизируется: он склонен выбирать умеренные уровни мощности, которые поддерживают сигнал достаточно сильным для сообщений безопасности, но избегают избыточного «засвета» эфира. Моделирование показывает, что энергия используется наиболее эффективно на определённых дистанциях и уровнях качества сигнала, а затем эффективность падает, когда каналы становятся слишком длинными и потребовали бы чрезмерно высокой мощности.

Простое ПО для надёжного локального управления

Ключевое преимущество подхода в том, что каждое транспортное средство учится самостоятельно, используя только локальную информацию. Если дорожный узел выходит из строя или покрытие временно ухудшается, автомобиль замечает падение качества канала и экспериментирует с альтернативными уровнями мощности, чтобы восстановить производительность. Поскольку таблица обучения мала, метод практичен для встроенного оборудования и может быстро реагировать на меняющиеся условия движения и радиоканала. В исследовании также рассматривается, как неточные измерения радиоканала со временем усредняются, позволяя агенту находить стабильные и разумные стратегии без идеального представления о сети.

Что это значит для улиц будущего

Для обычных участников дорожного движения вывод в том, что та же интеллектуальная технология, которая делает автомобили безопаснее, может также снизить нагрузку на электросеть. Позволяя каждому транспортному средству учиться, как громко «говорить» по воздуху, эта работа показывает путь к беспроводным системам, которые тратят меньше энергии и при этом предоставляют быстрые, надёжные каналы, необходимые для предупреждений о столкновениях и других критичных по времени сервисов. Авторы отмечают, что дальнейшие расширения с несколькими кооперативными автомобилями и совместным обучением могли бы ещё лучше оптимизировать использование радиоспектра на переполненных городских улицах.

Цитирование: Brindha, S., Nasreen, P.P.S., Sagar, P. et al. Reinforcement learning based resource allocation scheme for vehicular communication in 5G networks for smart cities. Sci Rep 16, 15807 (2026). https://doi.org/10.1038/s41598-026-45209-6

Ключевые слова: 5G V2X, умные города, обучение с подкреплением, энергоэффективность, автомобильная связь